RAG w 2026 — graf wiedzy, agentic retrieval czy zwykłe wektory

"Zróbcie nam RAG-a na naszych dokumentach" — to jedno z najczęstszych zleceń, które dostajemy. W 2024 odpowiedź była prosta: embeddingi + vector DB + Claude. W 2026 to nie wystarcza — wymagania klientów rosną, modele się zmieniają, pojawia się agentic retrieval. Co wybrać?

Pięć podejść do RAG-a w 2026

1. Klasyczny RAG (wektor + LLM)

Tekst → embedding → zapis w vector DB → wyszukiwanie semantyczne → top-K → LLM. Działa do prostych pytań na małym zbiorze (do ~50k stron).

• ✓ Tani i prosty
• ✗ Słaba dokładność przy dużych zbiorach
• ✗ Nie rozumie "jakie są relacje między X a Y"
• ✗ Halucynuje, gdy odpowiedź wymaga połączenia 5+ źródeł

2. Hybrid search (wektor + BM25/keyword)

Wektor + tradycyjne wyszukiwanie po słowach kluczowych, scoring ważony. Lepsze wyniki dla pytań ze specyficznym słownictwem (nazwy własne, numery faktur, kody produktów).

3. Late chunking + reranking

Chunkujemy dopiero po embeddingu całego dokumentu (lub dużych kawałków), używamy rerankera (np. Cohere Rerank 3, BGE) — top 100 z wektora, reranker wybiera top 5. Dokładność rośnie o 20-40%.

4. Knowledge graph + RAG (GraphRAG)

Buduemy graf encji (firmy, osoby, produkty, faktury) na podstawie dokumentów. LLM ma dostęp zarówno do tekstu jak i grafu. Wygrywa przy pytaniach relacyjnych: "kto rozmawiał z Janem w sprawie projektu X w ostatnich 3 miesiącach".

5. Agentic RAG / dynamic retrieval

LLM sam decyduje, co i ile razy zapytać. Może zrobić 3-5 zapytań wektorowych, czytać dokumenty, generować doprecyzowujące pytania. Najwyższa dokładność, najwyższy koszt.

Macierz decyzji — co wybrać

Sytuacja	Co wybrać
FAQ na stronie firmy	Klasyczny RAG
Polityki HR, instrukcje wewnętrzne (do 5k stron)	Hybrid search
Baza klientów + historia komunikacji	GraphRAG
Bazy umów, kontraktów, opinii prawnych	Late chunking + reranking
Centrum wiedzy techniczne (dokumentacja, ticketing)	Agentic RAG
Audyt księgowy (faktury + księgi + przepisy)	GraphRAG + Agentic

Konkretny przykład: kancelaria 30 prawników

Kancelaria miała problem: 10 lat opinii prawnych (45 tys. dokumentów). Klient pyta "czy mieliśmy podobną sprawę?", odpowiedź potrafi zająć dzień (junior szuka, sennior weryfikuje).

Pierwsza próba (2024): klasyczny RAG

Wektor + Claude. Wyniki "ok", ale 30-40% pytań źle dopasowane — bo prawo polskie wymaga znalezienia analogii, nie podobieństwa tekstowego.

Druga próba (2025): hybrid search

Lepiej w wyszukiwaniu po sygnaturach, numerach kodeksów. Ale nadal nie rozumie "tej samej sytuacji w innym ubraniu prawnym".

Wersja produkcyjna (2026): GraphRAG + Agentic

Zbudowaliśmy graf: opinie → klienci → branże → kodeksy → przepisy → analogie. Agent zadaje serie pytań do grafu i wektora. 92% trafność na zbiorze testowym, czas znalezienia: 30 sekund.

Cena vs jakość

Wariant	Koszt wdrożenia	Operacja /mc	Trafność
Klasyczny RAG	8-15 tys. zł	500-1500 zł	~60%
Hybrid + Reranker	15-25 tys. zł	1000-2500 zł	~75%
GraphRAG	35-60 tys. zł	2000-4500 zł	~85%
Agentic RAG	50-90 tys. zł	3500-7000 zł	~92%

Czego unikać

• "Wrzucamy wszystko do wektora i jakoś się złoży" — przy 100k+ dokumentów to się sypie. Trzeba mieć strategię chunkowania, metadanych, filtrowania.
• RAG bez ewaluacji — bez datasetu testowego nie wiecie, czy system działa. To pierwsze 1-2 tygodnie projektu — zbudować zestaw 50-100 pytań z poprawnymi odpowiedziami.
• RAG z prywatnymi danymi w publicznym vector DB — kontrolujcie, gdzie dane leżą (Pinecone, Weaviate, Qdrant — różnią się hostingiem i RODO).

Audytujemy istniejące RAG-i, mierzymy trafność, rekomendujemy ulepszenia. Robimy też wdrożenia od zera. 30-min konsultacja darmowa — pokażemy konkretne dane z innych projektów.